Jochens Blog

Über

Ein privater Blog über Politik, Medien und Homelab.

13 Min. Lesezeit

duotone: derselbe dunkle Holzschreibtisch der ganzen Serie, zum letzten Mal – diesmal steht der kühl-blaue Schein eines Terminals nicht mehr am Bildrand, sondern mitten auf dem Tisch zwischen den Karteikarten. Aus dem Terminal laufen feine Linien zu den Karten, als zöge es selbst die Verbindungen. Im Vordergrund, scharf, hält eine menschliche Hand weiter den Füllfederhalter über einer leeren weißen Karte – der Kommunikationspartner antwortet jetzt selbst, aber der letzte Satz wird noch immer von Hand geschrieben

Dies ist der siebte und letzte Teil einer Serie über Personal Knowledge Management. Teil 1 hat das Versprechen aufgespannt, Teil 2 Luhmanns Vorbild beschrieben, Teil 3 die drei Schulen verglichen, Teil 4 die einzelne Notiz verteidigt, Teil 5 die dunkle Seite gezeigt, Teil 6 mein eigenes System gegen die Kritik gehalten. Dieser Teil schließt den Kreis – zurück zu Luhmanns „Kommunikationspartner“ aus Teil 2, nur dass der Partner jetzt selbst sprechen kann.

Am Ende von Teil 6 habe ich eine Behauptung aufgestellt und sie im selben Atemzug wieder einkassiert. Claudian, der KI-Agent in meinem Vault, verarbeitet, habe ich gesagt – er denkt nicht. Und dann, eine Zeile später: Aber stimmt das noch?

Dieser Teil versucht eine Antwort. Und er führt dafür zurück an den Anfang, genauer zu Teil 2. Luhmann nannte seinen Zettelkasten einen Kommunikationspartner: ein Gegenüber, das ihn überraschen konnte, ein System, das ab einer kritischen Masse anfing, Verbindungen vorzuschlagen, an die er selbst nicht gedacht hatte. Die Metapher war immer ein bisschen mystisch. Der Kasten „antwortete“ natürlich nicht. Er lag nur so dicht verdrahtet da, dass Luhmann beim Durchblättern regelmäßig über seine eigenen, halb vergessenen Gedanken stolperte.

Jetzt kann der Kasten antworten. Wörtlich. Genau das ist die Verschiebung, um die es hier geht – und die Frage ist nicht, ob das beeindruckend ist (das ist es), sondern was es mit der eigentlichen Arbeit macht.

Was der Agent heute wirklich tut

Fangen wir mit dem Unspektakulären an, denn dort sitzt der echte Nutzen.

In meinem Vault arbeitet ein Agent mit – Claude Code, eingebettet als Obsidian-Plugin, mit Lese- und Schreibzugriff auf alle Dateien. Was er tut, ist keine Magie, sondern Fleißarbeit:

  • Die Inbox sichten. Eingehende Schnipsel lesen, einordnen, vorschlagen, wohin sie gehören.
  • Quellen-Notizen anlegen. Aus einem RSS-Treffer, einem gespeicherten Thread, einem Web-Clipping wird eine strukturierte Notiz mit Frontmatter, Zusammenfassung und einer ersten Einordnung.
  • Verbindungen vorschlagen. „Das hier berührt einen Gedanken, den du vor Monaten woanders hattest.“ Eine semantische Suche über den eigenen Vault, die kein Mensch in dieser Breite leistet.
  • Hygiene erledigen. Waisen-Notizen finden, kaputte Links, fehlende Tags, der quartalsweise Archiv-Lauf.

Eric J. Ma, Data Scientist und einer der wenigen, die nüchterne Zahlen liefern statt Begeisterung, beziffert den Effekt: Sein PKM-Pflegeaufwand sei durch KI-Integration von 30–40 Prozent der Vault-Zeit auf unter 10 Prozent gefallen. Ich habe keine so sauberen Zahlen, aber die Richtung stimmt. Die Wartung, die Teil 5 als Einfallstor fürs Productivity Theater entlarvt hat – stundenlang Tags refactoren statt einen Gedanken zu Ende zu schreiben –, ist die langweilige, regelbasierte Arbeit, die ein Agent tatsächlich übernehmen kann. Das ist der Punkt, an dem KI das Kostenproblem von PKM ehrlich verschiebt.

Aber halten wir gleich fest, was in dieser Liste nicht steht. Zusammenfassen ist nicht verstehen. Einen Vorschlag machen ist nicht dasselbe wie eine Einsicht haben. Der Agent verkürzt den Weg zur eigenen Notiz – er geht ihn nicht.

Die technische Brücke: warum es ausgerechnet jetzt geht

Dass das überhaupt funktioniert, hängt an einer Entscheidung, die in dieser Serie schon mehrfach vorkam und die sich rückblickend als die folgenreichste erweist: Plain Text.

Ein Obsidian-Vault ist nichts als ein Ordner mit Markdown-Dateien. Kein proprietäres Format, keine Datenbank, keine API dazwischen. Genau das macht ihn für einen KI-Agenten ideal lesbar: Der Text ist direkt da, das Frontmatter liefert Metadaten, die Wikilinks bilden einen expliziten Wissensgraphen, die Ordnerstruktur gibt zusätzlichen Kontext. Ein Notion- oder Roam-Vault müsste erst über eine Schnittstelle exportiert und konvertiert werden. Ein Markdown-Vault ist sofort maschinenlesbar. Die Wette auf das offene Format, die damals nach Nerd-Sturheit aussah, war in Wahrheit die Vorbereitung auf eine Zukunft, die damals noch keiner kannte.

Auf dieser Grundlage liegen zwei Techniken, die man kurz kennen sollte, ohne im Detail zu versinken:

RAG – Retrieval-Augmented Generation – ist im Grunde die maschinelle Version von PKM. Statt nur aus seinem Trainingswissen zu antworten, sucht das Modell zuerst relevante Notizen im Vault, nimmt sie als Kontext und formuliert die Antwort auf Basis deines Wissens. Wer genau hinsieht, erkennt Luhmanns Arbeitsweise: Einstiegspunkt suchen, Querverweisen folgen, Kontext zusammenbauen, dann schreiben. RAG ist dieser Workflow, automatisiert.

MCP – das Model Context Protocol – ist der Stecker, der den Agenten direkt an den Vault hängt. Mit MCP-Zugriff kann ein Agent alle Notizen durchsuchen, Backlinks traversieren, neue Notizen anlegen, bestehende ändern. Das ist Luhmanns Kommunikationspartner in digital – beschleunigt um mehrere Größenordnungen.

Hier wird die Metapher aus Teil 2 plötzlich technisch konkret. Der Kasten, der „überraschend antworten“ können musste, um produktiv zu sein, kann es jetzt. Nicht metaphorisch, sondern als Funktion.

Verarbeiten ist nicht denken – die Grenze, die bleibt

Und genau deshalb muss die Grenze schärfer gezogen werden als je zuvor, nicht weicher.

Der Satz, an dem für mich alles hängt, stand schon in Teil 6: Der Agent verarbeitet. Er denkt nicht. Die Zettel – die eigenen Gedanken, die Aussagen, die Teil 4 als die kleinste und schwerste Einheit der ganzen Praxis beschrieben hat – die schreibe ich. Oder, ehrlicher: die erarbeiten wir gemeinsam, im Gespräch. Aber der Gedanke, der am Ende dasteht, muss meiner sein.

Der Grund ist kein moralischer, sondern ein lernpsychologischer. Teil 4 hat ihn Generation Effect genannt: Selbst formulierte Sätze werden tiefer verarbeitet als gelesene. Eine KI-Zusammenfassung ist die KI, die denkt – nicht du. Wenn ich den Agenten den Satz schreiben lasse, der einen rohen Gedanken zu meinem Wissen macht, dann habe ich den Schritt ausgelagert, auf den es ankommt. Das Ergebnis sieht aus wie eine Einsicht. Es fühlt sich an wie eine Einsicht. Aber im Kopf, der die Notiz vorgeblich besitzt, ist nichts angekommen.

Leif, der hinter dem deutschsprachigen ObsidianGuide steckt, bringt die Haltung auf eine knappe Formel. Er nutzt KI ausgiebig beim Web-Clipping – für Relevanz-Bewertungen, für deutsche Zusammenfassungen englischer Artikel, für Tag-Vorschläge. Und schreibt trotzdem: „Grundsätzlich lehne ich die Erstellung von Notizen mit künstlicher Intelligenz ab, aber als Hilfsmittel … sehr hilfreich.“ Sein Fazit zum besten Capture-Werkzeug, das er kennt, gilt eins zu eins für den ganzen Agenten: „Die Wissensarbeit selbst bleibt aber deine Aufgabe.“

Ich halte mich nicht immer an diese Grenze, und das gehört zur Ehrlichkeit dieser Serie dazu. Es ist verführerisch, einen halbgaren Gedanken glattbügeln zu lassen und das Ergebnis für den eigenen zu halten. Ich weiß, dass ich mich dann betrüge. Ich tue es trotzdem manchmal. Der Unterschied zu früher ist nur: Ich weiß jetzt genau, an welcher Stelle.

Was billiger wird – und was teurer

Hier muss ich gegen den Strich der eigenen Begeisterung bürsten, denn die unbequemste Konsequenz habe ich in Teil 6 nur angerissen.

Ein Agent senkt die Kosten des Sammelns drastisch. Wenn er fünfzig Artikel am Tag lesen, zusammenfassen und sauber ablegen kann, dann ist die natürliche Folge nicht weniger Sammeln, sondern mehr. Die Collector’s Fallacy aus Teil 5 – die Illusion, dass Speichern schon Lernen sei – lebt davon, dass Sammeln sich mühelos anfühlt. KI macht es noch müheloser, und damit die Täuschung größer. Ein Vault, der sich von einem Agenten füllen lässt, wächst schneller, sieht voller aus und ist potenziell noch leerer an eigenem Denken als der handbefüllte Vault, vor dem Wiencke nach zwei Jahren kapituliert hat.

Christian Tietze hat den Begriff 2014 geprägt, lange vor den Agenten. Aber er beschreibt eine Mechanik, die KI nicht entschärft, sondern befeuert: Dopamin folgt dem Sammeln, Reibung folgt dem Schreiben. Wer die Reibung des Sammelns auf null senkt, ohne die Reibung des Schreibens anzufassen, vergrößert das Gefälle.

Deshalb wird in einem KI-gestützten System die Input Tax aus Teil 5 nicht unwichtiger, sondern wichtiger. Sie ist die einzige Regel, die die Beschleunigung wieder einbremst: Egal wie viel der Agent hereinspült – was keinen eigenen Gedanken trägt, zählt nicht. Der Agent darf das Material besorgen. Den Satz, der es zu meinem Wissen macht, schulde nach wie vor ich. Das ist keine Technikfrage mehr, das ist Disziplin – und die wird in dem Maß teurer, in dem das Sammeln billiger wird.

Wem gehört das zweite Gehirn?

Es gibt eine zweite Rechnung, die in der Begeisterung gern untergeht, und sie hat nichts mit Denken zu tun, sondern mit Eigentum.

Ein Vault ist intim. Da liegen halbfertige Gedanken, private Einschätzungen, die Themen, an denen man wirklich arbeitet. Genau dieses Material einem Cloud-Modell zu füttern, heißt, das eigene zweite Gehirn auf fremde Server zu kopieren. Mit der Linse von Rich Hickeys Simple Made Easy betrachtet ist Cloud-KI ein klassisches easy-Konstrukt: ein Account, ein API-Key, sofortiger Output. Aber es verflicht – complect, in Hickeys Wort – Dinge, die nicht zusammengehören müssten: Modell, Rechenleistung, Dateneigentum, Geschäftsmodell und Geopolitik hängen an einem Endpunkt. Wer einen Aspekt ändern will, etwa den Datenschutz, muss alle anderen mitanfassen oder den Anbieter wechseln.

Lokale Modelle – Gemma, Llama auf dem eigenen Gerät – sind zunächst harder: Setup, Hardware, Quantisierung. Aber sie sind simpler: Das Modell ist eine Datei, der Compute ist dein Gerät, die Daten verlassen es nicht. Ehrlich bleibt auch die Kehrseite: Leif berichtet, dass lokale Modelle in seinen Tests deutlich schlechter abschnitten als die Cloud-Variante – auf 16 GB RAM reicht es eben nur für die kleinen. Die Souveränität ist heute noch ein Komfortverzicht.

Ich löse das pragmatisch, nicht heroisch: Die langweilige Hygiene und die unkritischen Aufgaben dürfen in die Cloud; die wirklich privaten Stränge bleiben lokal — sie sind mir zu wichtig, um sie für ein bisschen Bequemlichkeit aus der Hand zu geben. Es gibt keine saubere Antwort. Aber es gibt eine Frage, die man sich stellen sollte, bevor man den ganzen Vault an einen Endpunkt hängt: Wie lange soll das hier leben – und was verflechte ich gerade, das ich später nicht mehr trennen kann?

Was zurückfließt

Bleibt die unbequemste Kritik, und sie kommt nicht aus der PKM-Szene, sondern von außen.

Andrej Karpathy hat die Idee eines privaten LLM-Wikis populär gemacht: ein System, das Wissen kontinuierlich verdichtet, statt es in Fragmenten abzulegen – der Vault als wachsendes, sich selbst destillierendes Gehirn. Faszinierend. Und genau hier setzt Nele Hirsch an. Ihre Reflexion trifft nicht nur Karpathy, sondern PKM im Kern. Solche Systeme, sagt sie, stecken in drei problematischen Logiken: Sie sind extraktiv – Wissen wird aus dem Netz gezogen und privat verarbeitet, losgelöst von den Quellen, die leer ausgehen. Sie folgen einem Kontrollparadigma – wer die Technik am besten beherrscht, gewinnt; ein Wettbewerbs-, kein Kooperationsmodell. Und sie haben keine Rückkopplung – es fließt nichts zurück in gemeinsame Wissenssysteme. Der Vault als Schwarzes Loch für Wissen.

Mit KI verschärft sich das. Ein Agent, der das halbe Netz in deinen privaten Speicher zusammenzieht, ist die extraktive Logik auf Steroiden. Hirschs Gegenmodell heißt digitale Allmende: beitragen statt extrahieren, gemeinsame statt private Architektur.

Die Kritik trifft einen blinden Fleck. Aber sie hat eine Antwort, und es ist dieselbe, die diese ganze Serie trägt: Ein Blog ist eine Rückkopplung. Wer privat denkt und öffentlich teilt, verbindet beide Modelle. Der Zettelkasten ist der Motor, der Blog ist der Rückkanal. Das ist kein nachträglicher Trost, sondern das Prinzip, das in Teil 6 schon das stärkste Gegenmittel war: erzwungener Output. Was den Vault davor bewahrt, ein Lager zu werden, ist derselbe Mechanismus, der ihn davor bewahrt, ein Schwarzes Loch zu sein – dass regelmäßig etwas hinausgeht, in Form, lesbar, für andere.

Und hier schließt sich der Kreis auf eine Weise, die mir erst beim Schreiben dieses Teils aufgefallen ist. Diese sieben Texte sind selbst der Beweis. Sie sind aus Zetteln gewachsen, die teils über ein Jahr im Vault lagen. Sie sind im Gespräch mit genau dem Agenten entstanden, über den sie schreiben – und doch stammt jeder Satz, der zählt, am Ende von mir. Sie sind extrahiert worden, ja: aus Ahrens, aus Luhmann, aus Tietze, aus Matuschak, aus Ma und Hirsch. Aber sie fließen zurück. Die Serie ist die Input Tax, öffentlich bezahlt.

Was bleibt

Sieben Teile, ein Bogen von Aristoteles’ Topoi bis zum Model Context Protocol. Wenn ich ihn auf einen Satz eindampfen müsste, wäre es der, mit dem schon Teil 6 endete: PKM ist kein System-Problem, sondern ein Denk-Problem.

Die Werkzeuge haben sich in 2.500 Jahren mehrfach komplett gewandelt – von der Wachstafel zum Karteikasten zum Markdown-Vault mit eigenem KI-Agenten. Die Grundlogik nicht: lesen, zerteilen, in eigene Worte fassen, verknüpfen, wiederfinden. Die KI ist der größte Hebel, der je an diesem Prozess angesetzt wurde. Sie kann den Eingang automatisieren, die Wartung übernehmen, Verbindungen vorschlagen, die kein Mensch fände. Sie kann fast alles tragen.

Fast. Die eine Tätigkeit, die nicht auszulagern ist, bleibt: langsam zu lesen, gründlich zu verarbeiten, ehrlich zu schreiben. Das ist die Stelle, an der aus Information eigenes Wissen wird, und sie liegt – Generation Effect – zwingend im eigenen Kopf. Luhmanns Kasten kann jetzt antworten. Das ist großartig. Aber die Frage, auf die es ankommt, muss noch immer deine sein. Ein Kommunikationspartner ist nur so klug wie der, der ihn etwas fragt.

Genau deshalb ist die spannendste Frage am Ende dieser Serie nicht, was die KI alles kann. Sondern, was wir sie nicht tun lassen sollten, weil wir es besser selbst täten – auch wenn es länger dauert, mehr wehtut und sich messbar weniger produktiv anfühlt. Das ist kein Technikproblem. Das war es nie.

Damit endet die PKM-Serie. Danke fürs Mitlesen über sieben Teile. Wer von vorn beginnen will: Teil 1 – Was ist PKM. Wer das technische „Wie“ dahinter sucht – Vault, Sync, Backup, Blog –, findet es in der Schwester-Serie Von der Notiz ins Netz.

Quellen

Eigene Vorarbeiten (Vault-Zettel, geerntet für diesen Artikel)

  • PKM und KI – wenn der Agent den Zettelkasten pflegt – die zentrale Bestandsaufnahme: was KI kann, was sie nicht ersetzt
  • RAG und PKM – zwei Seiten derselben Medaille – die technische Brücke (RAG, MCP) als Digitalisierung von Luhmanns Workflow
  • Der Zettelkasten als „Kommunikationspartner“ – Luhmanns Metapher, die jetzt wörtlich wird
  • Lokale KI ist die simple Architektur, Cloud-KI ist die easy – die Souveränitätsfrage mit Hickeys Linse
  • Die Allmende-Frage – ist PKM zu individualistisch? – Hirschs Kritik und die Blog-Antwort
  • Mein PKM – ehrlicher Erfahrungsbericht – die Linie „privat denken, öffentlich teilen“

Externe Quellen

Die ganze Serie